【摘要】针对复杂采动工况下传统煤矿瓦斯浓度预测模型存在高噪声干扰、预测精度不足的问题，本研究提出了一种基于花授粉 算法（ＦＰＡ）优化长短期记忆（ＬＳＴＭ）网络的瓦斯浓度精准预测方法。 通过选取某高瓦斯煤矿７２０组采动期、衰减期典型工况的瓦斯监测数据，先采用小波阈值降噪与卡尔曼滤波对原始数据进行去噪和光滑处理，再利用ＦＰＡ优化ＬＳＴＭ中的学习率、隐藏层神经元数量等关键网络参数，最终获得的最优超参数组合为：学习率＝０.００５，随机失活率＝０.３５，隐藏层层数＝３，神经元数＝１２８，时间步长＝２４，批次大小＝６４，据此构建出高精度预测模型。 实验结果表明：该模型的预测平均绝对百分比误差（ＭＡＰＥ）为７.４２％，均方根误 差（ＲＭＳＥ）达０.０５６，其性能显著优于基础ＬＳＴＭ、非线性支持向量回归（ＳＶＲ）及经典自回归积分移动平均模型（ＡＲＩＭＡ）等传统方法。 该方法有效提升了瓦斯浓度预测的准确性，可为煤矿瓦斯灾害预警提供可靠的技术支持。